Transportéry prenášajúce rozpustené látky (SLC) tvoria rôznorodú skupinu membránových proteínov s viac ako 500 zástupcami rozdelenými do 65 rodín na základe sekvenčnej homológie a transportnej funkcie. SLC zohrávajú kľúčovú úlohu pri transporte širokého spektra rozpustných látok cez biologické membrány. Dysfunkcie týchto transportérov prispievajú k rozvoju rôznych ochorení. Preto je skúmanie týchto proteínov dôležité pre pochopenie princípov metabolizmu v ľudskom tele a mechanizmov ochorení. Táto štúdia sa konkrétne zameriava na rodinu SLC22, presnejšie na podskupinu transportérov organických katiónov (OCT). Na skúmanie väzbových vlastností ligandov OCT1 a OCT2 sa použili AI-predikované modely vytvorené pomocou AlphaFold a SWISS-MODEL spolu s dostupnou kryo-EM štruktúrami OCTs. Na identifikáciu vhodných ligandov transportovaných týmito proteínmi sa vykonalo molekulové dokovanie pomocou programov AutoDock Vina. Cieľom výsledkov je určiť účinnosť predikčných metód a preferovaných štrukturálnych modelov na pochopenie väzby ligandov v OCTs.Solute carrier transporters (SLC) comprise a diverse group of membrane-bound proteins, with over 500 representatives classified into 65 families based on sequence homology and transport function. SLCs are crucial for transporting a wide range of solutes across biological membranes. Dysfunctions in these transporters contribute to the development of various diseases. Therefore, investigating these proteins is essential for understanding metabolic principles in the human body and disease mechanisms. This study focuses on the SLC22 family, specifically, organic cation transporters (OCTs) subclades. To investigate the ligand binding properties of OCT1 and OCT2, AI-predicted models generated by AlphaFold and SWISS-MODEL were utilized, along with the available cryo-EM structures of OCTs. Molecular docking using AutoDock Vina was performed to identify suitable ligands transported by these proteins. The results aim to determine the efficacy of the prediction methods and the preferred structural models for understanding the ligand binding of OCTs.